2023年夏令营和预推免总结

写在前面

本人双非院校,本科履历不是很出众,也有点小自卑,只是结合往年推免情况报的学校,夏令营和预推免报的学校加起来差不多15个左右,写这篇文章目的还是分享一下我面试几个院校考核方式和题目。最后说几句,能够获得推免资格,说明大家都很优秀,不要妄自菲薄,报名的时候建议能报就报,有决心往高处冲一下尽量冲一把,好好准备,不留遗憾

教育背景

院校:南方某双非

专业:自动化

奖项、项目和经历:C9院校一年交流经历,无国奖,三个省奖,参与一项省级大创(非主持人),一篇核心论文二作(推免期间还没被录用,面试完了才被录用,哭死),若干校级荣誉

夏令营

写在前面:结合往年本专业情况,就没打算去参加夏令营,还是看见身边同学进了厦大,才投的几所。就算夏0营,这个阶段也可以和不同学校老师发邮件沟通沟通,结合事实适当夸大展示自己,联系到了对后面都是有帮助的

苏州大学轨道交通学院

线下

面试方向:模式识别与智能系统

报销:报销最多800元路费,学院在市区租的酒店(包含早餐,无晚餐),中餐学校提供餐券

夏令营流程:第一天上午有讲座,介绍各个专业和老师,下午面试。第二天上午,参观本部,结束

面试流程及问题

PPT自我介绍(5min),然后老师提问。

1.为什么选模式识别与智能系统?电力电子学过没有?(成绩单上没有)

2.去交流适不适应那边,跟的上吗?(我也没那么差吧)

3.最后就是问我对哪个老师感兴趣?记不起来本专业老师名字,说出了另一个方向的老师,有点尴尬(还是得认真听讲座啊)

结果:优营(全部面试完了,当天颁布荣誉证书,上台领奖合影)

总结:面试过程挺水的,其他专业有英文问题

说明:优营没有用,后面预推免获得优营也要参加,不知道这个夏令营有什么意义

东南大学集成电路学院

线下

面试时间8月底,夏令营和预推免合在一起,但是后面9月又开了线上的预推免,应该今年夏令营结果不太好

夏令营流程:有提前的线上宣讲(介绍学院、成就什么的),入围的会提前发布分组(挺迟的,大概面试前两天左右吧,挺心疼那些候补,可能还不到一天),按照组别到相应地点直接面试

面试流程及问题

PPT自我介绍(3min)

英文提问(根据你的自我介绍提问的,有点难度),问我的是介绍一下你的论文和研究生规划(问题是用英文说的),前面说的一大串都没听懂,我就听到了paper和postgraduate plans(还好有提前准备,吓死了都,晕๑_๑)

重量级环节,问专业课(模电、数电和电路一定要复习,不然要完犊子)

1.为什么有半加器了,还要有全加器?

2.建立时间、延迟时间、保持时间概念性的东西

3.Mos管漏极加电阻和再接一个Mos管有什么区别?

4.戴维宁定理

5.写全加器真值表

6.结合自己写的全加器真值表,如果输入取反输出会有什么变化?

结果:合格,排名靠后(只要去面,都给合格,最后还是要看排名)

说明:面试结果会公布在官网上,面试完了后面会发一个表,问自己意向,我填了,9月28号那天老师打了好几个电话问我报不报,因为排名靠后,去的也不好,就拒绝了

预推免

东北大学控制科学与工程

线上

材料挺麻烦的,还要邮寄过去审核

面试内容

英文自我介绍,然后介绍本科期间自己印象最深的项目,然后就结束了(感觉最后给结果还是参考了材料,不止面试)

说明:面试完了,后面会发邮件说通没通过。不过搞笑的是,我同学都没参加面试,还是接到了复试通知

中南大学控制科学与工程

线下

注意:需要加群,不是在官网上,到时间了会在群里发个链接收集信息,填好就代表报名成功,通过了会发邮件提醒(这时候没有面试时间,根本不知道自己在哪一天,挺那个的,需要提前去,实在有事可以申请线上)

面试流程及问题

PPT自我介绍

英文问题,问我的是介绍一下你参加志愿者活动(问题用中文说的)

点评了我参加的项目,说这个项目的缺点什么的,最后问了我交流期间的成绩和排名

说明:结果后续邮件通知,会发链接填自己意向。发邮件说你通过了千万不要高兴太早,因为你永远不知道学院养了多少条鱼。双非的还是建议一开始报专硕,压力小一点机会更大,系统开放当天打个电话从学硕调到专硕还要问本科哪个学校的(想笑)

重庆大学控制科学与工程

线上(需要缴费150元)

注意:官网上报名,通过了会在系统发消息,让你加群,后续还要在群里缴费才能面试。

面试流程及问题

PPT自我介绍

老师提问

1.问了项目问题,是偏软件还是硬件?

2.交流期间学的课程还是项目?

3.你还有什么问题吗?(问老师他们)

说明:后续面试结果会公布在官网上,可以看到自己排名

南航控制科学与工程

线上

面试流程及问题

英文自我介绍

中文自我介绍(可以没PPT,也可以把自己本科期间获得荣誉展示出来结合讲)

老师提问

1. 项目中用到了负反馈控制没有?

2.项目整体框架说一下,识别到目标之后怎样控制的?

3.李亚普洛夫意义下的稳定

4.现代控制理论和经典控制的区别和联系?

5.构建出李雅普洛夫函数,其关于时间的导数是不定的,则这个系统还可能是渐进稳定吗?

6.线性系统数学描述形式有哪些?

结果:自我感觉回答可以,最后公布结果86(挺惨)

说明:同组的同学一个专业课没问,另一个组的同学也啥都没问,老师就让他把简历投出来,不知道老师是看啥打分的,不做评价(笑)

东华大学控制科学与工程

线上

面试挺晚的,最后才面的,已经拿到offer了,后面抱着无所谓的态度去面的。

面试流程及问题

同一个组的同学几个人一起进会议,在腾讯会议里上传个人简历,老师会逐个提问,不知道其他人听不听得到

开始英文自我介绍

老师提问

1.能控能观

2.李亚普洛夫意义下的稳定

还有几个忘了(不过都是比较基础的,复习过一遍问题不大)

说明:面试结果会以邮件形式通知,因为填报系统没有报,所以后面不了解。

最终去向

1a3e7f582ab84f579e6b940a13acc6f0.png

 写在后面:

专硕和学硕区别不大,真的区别不大!

不要太过相信面试结果,通过面试也不稳,通过面试被鸽的比比皆是

还有注意老师权利大小,不要因为加上老师微信,老师表示很想要自己就欣喜若狂,感觉稳了,最后录取工作还是看招生办。不要等到报志愿那天,迟迟没有接到待录取通知,导师打电话联系招生办都可能联系不到

还有就是老师问自己报哪几个学校,比较多的话脱口皆出,你有可能发现老师态度180°大转变

好了,第一次写文章,不对或者不准确的地方还望大家指正,感谢

 

 

 

 

 

 

 

 

 

 

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值